Linear Empirical Model for Streamflow Forecast in Itaipu Hydroelectric Dam – Parana River Basin

Modelo Empírico Linear para Previsão de Vazão de Rios

na Usina Hidrelétrica de Itaipu – Bacia do Rio Paraná

Maria Gabriela Louzada Malfatti

, Andréa de Oliveira Cardoso

, Diana Sarita Hamburger

1

Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas,

Universidade Federal do ABC, Santo André, SP, Brasil.

Recebido em 12 de outubro de 2016 – Aceito em 26 de fevereiro de 2018

Resumo

Devido à importância do conhecimento das variações da vazão de rios para o planejamento dos usos múltiplos da água, este estudo objetiva explorar as influências remotas do clima, via padrões de variabilidades climáticas e regionais, via precipitação e vazão em bacias de contribuição. Para tanto, foram desenvolvidos modelos empíricos de previsão de vazões mensais defasados no tempo na Usina Hidrelétrica de Itaipu. Estes modelos foram testados com diferentes grupos de preditores, tais como: índices climáticos; precipitação em regiões pluviométricas homogêneas; vazão em pontos a montante e em Itaipu; e o conjunto de todos os preditores anteriores. Por meio do métodostepwiseforam selecionados os preditores mais significativos, sendo destacados os seguintes preditores: índices do El Niño Oscilação Sul e de anomalias de temperatura da superfície do mar no Atlântico Tropical Sul; precipitação em locais na faixa sul da bacia; e a própria vazão em Itaipu defasada. Os modelos foram validados, indicando de um modo geral maior desempenho nas defasagens mais curtas, quando considerados os preditores de vazão e precipitação e nas defasagens mais longas, considerando os índices climáticos. Portanto, os resultados deste estudo demonstram a importância de serem consideradas as influências remotas do clima nas estimativas de vazão, principalmente para previsões de longo prazo.

Palavras chave:modelo de regressão linear múltipla, previsão de vazão, padrões climáticos.

Linear Empirical Model for Streamflow Forecast in Itaipu Hydroelectric

Dam – Parana River Basin

Abstract

This study aims to explore the remote climate influences, through patterns of climate variability, and regional, through precipitation and streamflow in contribution of basins, given the meaning of river flow variations knowledge to the plan-ning of water multiple uses. Therefore, empirical models of monthly streamflow in the lower of basin the Parana River at the site Itaipu Dam were developed. These models were tested with different groups of predictors: only the lagged cli-mate indices; only precipitation in homogeneous rainfall regions; only streamflow at upstream points and even the streamflow of Itaipu; and the set of predictors. Through stepwise method the most significant predictors were chosen, being highlighted the best predictors: the indices of the El Niño Southern Oscillation and temperature anomalies of the sea surface in the tropical South Atlantic; rainfall in southern basin sites; and proper lagged streamflow in Itaipu. The models were validated, indicating generally higher performance in shorter lags, when considered predictors of streamflow and precipitation, in the longer lags, it was found that the best performance is for the model considering only the climate indices. Therefore, the results of this study demonstrate the importance of considering the remote climate in-fluences on streamflow estimates, especially for longer-term forecasts.

Keywords:multiple linear regression, streamflow forecasting, climate patterns. Artigo

1. Introdução

O estudo da vazão de um curso d’água apresenta várias utilidades uma vez que fornece informações fun-damentais sobre o padrão hidrológico de cada rio, úteis para fins de planejamento e tomada de decisão. O compor-tamento hidrológico de uma bacia é determinado pelas ca-racterísticas fisiográficas e climáticas, sendo suas variações influenciadas pelas variabilidades do clima.

Em termos ambientais, além do papel do clima como controlador de variações no sistema hidrológico, este tam-bém pode sofrer influências das alterações de superfície da bacia, decorrentes das mudanças de uso e manejo do solo e alteração dos sistemas hídricos. Por exemplo, o desma-tamento pode acarretar variações no ciclo hidrológico, in-fluenciando o regime de precipitação, dependendo da ex-tensão da alteração da superfície (D’Almeidaet al., 2007).

Além disso, o clima local pode ser afetado por construções de barragens, lagos e reservatórios, o que é demostrado pelo estudo de Stivariet al.(2003). Segundo esses autores,

a construção da usina de Itaipu causou alteração na cir-culação local, afetando sistemas de mesoescala como a brisa lacustre, sendo verificado que o contraste térmico associado a presença do lago, induz uma circulação mais forte, atingindo uma extensão horizontal máxima de 50 km, cujo movimento horizontal é afetado pelo efeito de uso do solo.

Devido aos diversos componentes envolvidos que se inter-relacionam e afetam o comportamento hidrológico de uma bacia, é um grande desafio desenvolver estimativas acuradas de vazão. As informações antecipadas das vazões de rios contribuem principalmente para o planejamento operacional de usinas hidrelétricas e de atividades agrí-colas, auxiliando na tomada de decisão, que visa minimizar os efeitos de cheias excepcionais e de escassez hídrica (Collischonnet al., 2005).

Vários estudos de previsibilidade de vazão foram desenvolvidos com foco em modelos conceituais que con-sideram os processos envolvidos na bacia (Collischonn e Tucci, 2001) e até mesmo previsão numérica de preci-pitação (Guilhonet al., 2007; Cataldi et al., 2007; Bravo

et al., 2012).

A consideração da influência das variabilidades cli-máticas para a estimativa de vazão pode auxiliar no au-mento do desempenho dos modelos de previsão de vazão de médio a longo prazo (Souza Filho e Lall, 2004). Este aspecto reforça a influência da precipitação, visando apri-morar e também aumentar o horizonte da previsão acurada e deste modo, o fornecimento de subsídios para o pla-nejamento antecipado.

Neste caso, os modelos empíricos são bastante in-dicados, pois capturam relações entre variáveis. Estes mo-delos introduzem as variáveis de entrada e utilizam técnicas matemáticas para ajustar parâmetros empíricos em busca de representar a vazão de saída, sem necessariamente repre-sentar o comportamento físico dos processos envolvidos.

As técnicas frequentemente utilizadas são a regressão múl-tipla, os modelos autoregressivos com média móvel (ARMA, ARIMA) e os modelos não-lineares, como o de redes neurais. Estes modelos geralmente utilizam o conhe-cimento das estatísticas de séries do passado para estimar as vazões no futuro, portanto dependem da estacionariedade do comportamento da bacia (Tucci, 2005).

A precipitação e, portanto, a vazão sofrem influências remotas de fenômenos climáticos, conforme demonstrado por alguns estudos. Robertson e Mechoso (1998) sugerem que a influência da temperatura da superfície do mar (TSM) sobre as vazões dos rios Uruguai e Paraná ocorre em escala interanual, no caso do Pacífico, e na escala decadal, asso-ciada ao Atlântico. Dettingeret al.(2000) mostraram um

padrão oposto nas correlações entre vazão de rios sobre as regiões Nordeste e Sul do Brasil e o El Niño-Oscilação Sul (ENOS), no qual a vazão sobre o Nordeste tende a diminuir (aumentar) em anos de El Niño (La Niña), e o contrário foi observado para a região Sul. Cardoso e Silva Dias (2002) analisaram a eficácia dos componentes principais de TSM nos oceanos Atlântico e Pacífico como preditores de vazão em rios do Estado de São Paulo, sendo sugerida a pos-sibilidade de se utilizar padrões de variabilidade de TSM no Pacífico tropical e Atlântico sudoeste para o prognóstico de vazão em rios no Estado de São Paulo.

Berri et al. (2002) identificaram impactos

consis-tentes do ENOS sobre a vazão do Rio Paraná, indicando maiores (menores) fluxos médios nos casos de eventos de El Niño (La Niña) durante o ano de início do fenômeno e até metade do ano seguinte. Grimm e Tedeschi (2009) observaram que o ENOS exerce influência sobre os ex-tremos de precipitação afetando os exex-tremos de vazão em diversas bacias brasileiras. A ocorrência de eventos El Niño (La Niña) está relacionada com o aumento (diminuição) de extremos de vazão na região das Bacias do Paraguai e Uruguai. Kayano e Andreoli (2009) observaram diferenças nos padrões de precipitação associados ao ENOS que po-dem estar relacionadas à fase da Oscilação Decadal do Pacífico (PDO), dado que as fases do ENOS podem ser influenciadas construtivamente, quando estiverem na mes-ma fase que a PDO.

Outros estudos apontam que a Oscilação do Atlântico Norte (NAO) (Piccilli, 2007; Siqueira e Molion, 2015), a Oscilação Antártica (AAO) (Oliva, 2011) e a Oscilação Multidecadal do Atlântico (AMO) (Kayano e Capistrano, 2014) podem combinar-se a atuação do ENOS.

O posicionamento e a organização de zonas de con-vergência podem ser influenciados por padrões climáticos. A Zona de Convergência Intertropical é influenciada pelo Modo Meridional do Atlântico (AMM) (Wainer e Venegas, 2002; Bombardiet al., 2014) e a Zona de Convergência do

Atlântico Sul (ZCAS) é influenciada pela AMO (Chiessi

et al., 2009) e por anomalias de TSM no Atlântico Tropical

Cardoso e Cataldi (2012) destacaram que padrões de teleconexões, oriundos de diferentes padrões climáticos e escalas temporais (de interanual a interdecadal) podem influenciar a vazão de rios brasileiros. Na Bacia do Paraná foram encontradas correlações significativas principalmen-te com os índices da AAO, AMO, AMM, PDO, NAO, Oscilação Sul (SOI), Atlântico Tropical Sul (TSA) e Ano-malias de TSM na região centro leste do Oceano Pacífico Tropical (NIÑO 3.4).

Alguns estudos demonstram a eficiência dos índices climáticos para previsão de vazão em diversas bacias brasi-leiras. Pintoet al.(2006) utilizam os índices climáticos para

previsão de precipitação na bacia do Alto São Francisco, aplicando um modelo de combinação linear ótima de pre-visões resultantes da autocorrelação serial ou persistência, e dos indicadores climáticos (SOI e anomalias de TSM), que geram uma previsão consensual (as probabilidades de precipitação estão nos limites das categorias). Souza Filho e Lall (2004) utilizaram técnicas de regressão multivariada para explorar a relação entre vazões anuais (ou sazonais) e um conjunto de potenciais preditores climáticos. Ambos os estudos evidenciam a importância da utilização dos índices climáticos e produzem bons resultados.

Alexandre (2012) realizou uma previsão de vazões mensais para o Sistema Integrado Nacional (sistema de produção e transmissão de energia elétrica do Brasil) uti-lizando informações climáticas, sendo observado que os melhores modelos do tipo Periódico Autorregressivo com variáveis exógenas (PARX) são os que fazem uso de ín-dices climáticos como variáveis exógenas, dentre os quais destacam o índice AMO. Esse índice apresenta melhor desempenho no período seco das bacias do norte do Brasil

(Amazonas e Tocantins-Araguaia) e centro-leste brasileiro (Atlântico Leste e na maioria dos rios que formam a Bacia do Paraná).

Dada a influência de padrões climáticos na vazão, e da importância das variações nos recursos hídricos para as atividades socioeconômicas, é cada vez mais estratégico desenvolver estudos que busquem explorar as influências das variabilidades climáticas. Neste sentido, esta pesquisa objetiva desenvolver um modelo empírico de estimativa de vazões mensais na parte baixa da Bacia do Rio Paraná, mais especificamente no local onde está localizada a Usina Hi-drelétrica de Itaipu, a partir de índices de padrões cli-máticos combinados com a própria vazão defasada, no ponto e em pontos a montante, e com a precipitação em diferentes locais da bacia.

2. Dados e Metodologia

2.1. Área de estudo

A Bacia do Rio Paraná abrange as bacias hidrográ-ficas do Paraná e Paraguai, inclui parte dos estados de São Paulo, Paraná, Mato Grosso do Sul, Mato Grosso, Minas Gerais, Goiás, Santa Catarina e Distrito Federal, conforme a Fig. 1. Esta região concentra cerca de um terço da popula-ção brasileira (32%), incluindo a região mais industria-lizada e urbanizada do Brasil e é a bacia hidrográfica com a maior capacidade instalada de geração de energia elétrica do país, correspondendo a 59,3% do total nacional, sendo a de maior demanda, cerca de 75% do consumo nacional (ANA, 2009).

O local da Usina Hidrelétrica de Itaipu foi focalizado para a realização de previsão de vazão. Essa usina possui

grande importância energética, estando localizada no Rio Paraná, na fronteira entre o Brasil e o Paraguai. Foi cons-truída no período de 1975 a 1982, Itaipu Binacional, sendo hoje a segunda maior usina do mundo em potencial ins-talado e a primeira em total de geração. Sua maior produção foi no ano de 2016, atingindo 103,09 milhões MWh, for-necendo cerca de 15% da energia consumida no Brasil e 86% do consumo paraguaio (ANA, 2009; Itaipu Bina-cional, 2018).

2.2. Dados

Para o desenvolvimento deste estudo foram utilizados dados mensais de índices climáticos, vazões de rios e preci-pitação no período de 1980 a 2010.

Os dados mensais de índices climáticos utilizados estão disponíveis no site doNational Oceanic and

Atmo-spheric Administration (NOAA), sendo utilizados os

ín-dices: Oscilação Antártica (AAO); Modo Meridional do Atlântico (AMM); Oscilação Multidecadal do Atlântico (AMO); Oscilação do Atlântico Norte (NAO); Anomalias de TSM na região centro-leste do Oceano Pacífico Tropical (NIÑO 3.4); Oscilação Decadal do Pacífico (PDO); Índice Oscilação Sul (SOI) e Índice do Atlântico Tropical Sul (TSA).

Os dados de vazões utilizados estão disponíveis no site do Operador Nacional do Sistema Elétrico (ONS). O conjunto de dados do ONS é composto por informações de vazões naturais afluentes em aproveitamentos hidroelé-tricos no Brasil. O termo vazão natural tem sido adotado

pelo setor elétrico para identificar a vazão que ocorreria em uma seção do rio, se não houvesse as ações antrópicas na sua bacia contribuinte, tais como regularização de vazões realizadas por reservatórios, desvios de água, evaporações em reservatórios e usos consuntivos (irrigação, criação ani-mal e abastecimento urbano, rural e industrial). Obtida por meio de um processo de reconstituição, que considera a vazão observada no local e as informações relativas às ações antrópicas na bacia (Cataldi et al., 2007). Neste

trabalho, foram utilizadas as vazões naturais mensais distri-buídas em pontos estratégicos sobre a Bacia do Rio Paraná, sendo selecionados pontos de sub-bacias a montante que apresentaram maior correlação com Itaipu.

Para os dados de precipitação mensais foram utili-zadas séries histórias médias em regiões pluviométricas homogêneas definidas em Malfatti (2016), gerados a partir de dados disponíveis na Agência Nacional das Águas (ANA). Neste estudo foram encontradas oito regiões com comportamentos distintos na bacia do Rio Paraná entre os anos de 1980 a 2010, destacadas na Fig. 2.

Ambos os conjuntos de dados foram padronizados, per-mitindo que as séries diferentes pudessem ser representadas em escalas comparáveis. Para o caso da precipitação, foi realizada a padronização mensal, pela média e desvio padrão de cada mês correspondente, destacando as variabilidades e, removendo a sazonalidade, conforme a Eq. (1).

x i j x i j j

S j

' ( , ) ( , ) ( ) ( )

= -m (1)

sendo queié o índice do ano ejo índice do mês; é o valor

padronizado da variável do j-ésimo mês do i-ésimo ano, e onde é a média para um mêsje pode também ser chamada

de ciclo sazonal; é o desvio padrão do mêsj.

No caso dos índices climáticos a padronização foi realizada sobre toda a série de dados.

2.3. Modelo empírico de regressão linear múltipla

O Modelo de Regressão Linear Múltipla é um modelo empírico que, ao ser construído considera as relações em-píricas entre as variáveis observadas, sem necessariamente representar o comportamento físico dos processos, sendo de fácil ajuste e validação. Este modelo é aplicado para uma variável que se deseja estimar, cuja série histórica apresenta fortes relações com outras variáreis, sendo que essas re-lações se associam ao fenômeno (ou processo) que se de-seja modelar. Como este estudo busca analisar as melhores variáveis que tornam o modelo mais preciso, não conside-rando somente as próprias vazões defasadas, mas também outras variáveis em diferentes defasagens, como a pre-cipitação e os índices climáticos, tal método atende o obje-tivo do estudo, assim como em outros estudos que de-monstram sua habilidade para tais fins (Cardoso e Silva Dias, 2002; Grimmet al., 2004).

Cardoso (2005) utilizou este modelo para verificar a relação entre a TSM nos oceanos Atlântico e Pacífico e as condições climáticas nas regiões Sul e Sudeste do Brasil. Alexandre (2012) utilizou este modelo para analisar o im-pacto da incorporação de informações climáticas na pre-visão de vazões mensais para o Sistema Interligado Na-cional. Malfattiet al.(2014) utilizaram este modelo para previsão de vazão na usina hidrelétrica de Itaipu, a partir de séries de vazão e precipitação.

O modelo de Regressão Linear Múltipla fornece a relação entre uma determinada variável dependente e ou-tras variáveis independentes, pelo método dos mínimos quadrados (Wilks, 2006). A equação de regressão (Eq. (2)) possui a seguinte forma:

y=b0+b X1 1+b X2 2+b X3 3+ +L b Xk k (2)

sendoya variável dependente (vazão a ser prevista);Xnsão

as variáveis independentes (variáveis escolhidas que con-tribuem para a variação de vazão);b0é a intersecção da reta

com o eixo de y;bnsão os coeficientes angulares obtidos da

regressão;ké o número de variáveis independentes.

Neste trabalho foram desenvolvidos modelos men-sais utilizando:i) modelos com apenas índices climáticos; ii) modelos com apenas precipitação nas regiões

homo-gêneas;iii) modelos com apenas vazões a montante e Itaipu

defasada eiv) modelos com todos os itens anteriores.

2.4. Seleção dos preditores – Métodostepwise

No conjunto de variáveis independentes pode haver variáveis que apresentam pouca influencia na variável de-pendente, não contribuindo para a melhoria da estimativa

ao se agregar ao conjunto de preditores. O métodostepwise

é utilizado para adicionar e remover variáveis indepen-dentes de um modelo de regressão linear múltipla com base em sua significância estatística, podendo assim, reduzir o número de variáveis que compõe a equação de regressão (Draper e Smith, 1998). Este método é realizado de forma interativa, adicionando e removendo variáveis, a partir de um critério de seleção, sendo o teste F o critério utilizado para a escolha das variáveis que contribuem significati-vamente para a regressão (Draper e Smith, 1998).

No presente estudo, o métodostepwisefoi aplicado para selecionar as variáveis de precipitações, índices cli-máticos e vazões, separadamente, visando a configuração de modelos mais robustos.

2.5. Calibração e validação do modelo

Na validação do modelo busca-se atingir o melhor ajuste, ou seja, nesta etapa determina-se o grau em que o modelo é capaz de realizar uma representação precisa do mundo real a partir da perspectiva de suas simulações.

Para o desenvolvimento e avaliação do modelo, di-vide-se o conjunto de dados em dois períodos, o primeiro é utilizado na calibração, para o ajuste da equação de re-gressão, e o segundo período é considerado no processo de validação, comparando o conjunto de pares previsão-obser-vação, cuja observação não foi incluída na calibração. Tal método é usualmente aplicado no desenvolvimento de mo-delagem empírica, visando obter o melhor arranjo empírico e desempenho do modelo através dos preditores consi-derados (Krauskopf Netoet al., 2007; Ratton e Guetter,

2015; Câmaraet al., 2016).

O período de dados utilizado na etapa de calibração dos modelos foi de 1980 a 2000, considerando cada mês, separadamente. Neste processo foi calculado o coeficiente de determinação R2_{, que é uma medida do poder}

expli-cativo do modelo de regressão, o qual fornece a proporção da variação da variável dependente, que é explicada em termos lineares pelas variáveis independentes (Wilks, 2006). O R2_{é calculado pela Eq. (3).}

(

)

(

)

R

n y y

n n

n y y

n n

ic j i

n j

n

i _j i

n j n 2 2 1 1 2 2 1 1 2 1 = -= = = =

å

å

å

å

ondeyicé o valor calculado através da função de regressão e yié o valor observado,né o número de observações

con-sideradas na calibração.

O coeficiente R2_{é obtido através da análise de}

va-riância, na qual se determina o quanto da variabilidade da variável dependente é considerado pela regressão. Os va-lores de R2_{podem variar entre 0 e 1, quando este valor for 1}

Para validar o modelo é necessário avaliar o quanto ele é capaz de reproduzir a realidade, aplicando uma ava-liação nas saídas do modelo, baseado em um período não considerado na calibração. Esta avaliação consiste na iden-tificação de possíveis limitações do modelo, que possam exigir um novo processo de ajuste e validação, que no caso de modelos empíricos poderia ser o aumento da série his-tórica, incluindo períodos mais recentes de observação, como também a inclusão de outros preditores. Neste es-tudo, os dados utilizados para esta etapa de validação en-globam anos de 2001 a 2010.

Neste processo foram calculados os seguintes parâ-metros para a avaliação do desempenho do modelo: Coe-ficiente de Correlação (CC), Erro Viés (VIES), Raiz do Erro Quadrático Médio (REQM), Erro Absoluto (EA) e o Erro Relativo (ER) (Wilks, 2006) e o Coeficiente de Nash-Sutcliffe (CN) (Collischonn, 2010), conforme apresentado nas Eqs. (4) a (9).

(

)(

)

(

)

CC

x y

n x y

x

n x y

i i i i

n i n i i n i i n i i n i = -= = = = =

å

å

å

å

å

(

)

å

å

(4)

sendoxi eyisão as variáveis padronizadas a serem

cor-relacionadas.

VIES

n F O

=1

_å

REQM

n F O

= 1

_å

EA

n F O

=1

_å

ER n

F O

O

=1

_å

CN O F

O O i n i n = - -= =

å

å

( ) (9)

sendoFo valor estimado pelo modelo,Oo valor observado

eOo valor médio observado.

3. Resultados e Discussão

A regressão porstepwiseconduzida para cada mês

separadamente, para fins de estimativa de vazão, permitiu a identificação de grupos de preditores variados ao longo do ano e das defasagens testadas.

Os resultados da seleção de preditores pelo método de

stepwiseapontam que os índices NIÑO 3.4 e SOI aparecem

como preditores na maioria dos casos, influenciando a vazão de Itaipu nos meses de abril a novembro em di-ferentes defasagens. Esses dois índices evidenciam a in-fluência do ENOS sobre a vazão em Itaipu ao longo do ano,

que pode ser explorada para fins de previsão, com exceção do verão (dezembro a fevereiro) e início do outono (março). O índice TSA foi apontado como preditor nas de-fasagens mais longas para os meses abril, novembro e dezembro, e nas primeiras defasagens para o mês de julho, enquanto que o índice AMO foi selecionado em quase todos os meses, exceto julho, setembro e dezembro, em diferentes defasagens (lag 4 a 12). Para o índice AAO o método sugere os meses de janeiro, março, abril, maio, agosto, novembro e dezembro como preditor, normalmente nas defasagens mais longas (a partir do lag 5).

Nota-se também que os índices AMM, NAO e PDO foram os índices selecionados com menor frequência ao longo dos meses, o índice AMM é indicado para os meses de abril, novembro e dezembro, destacando o mês de no-vembro com maior número de defasagens (lag 5 a lag 8 e lag 10), o índice NAO apenas para os meses de abril (lag 8), agosto (lag 5), setembro (lag 6 e 12) e outubro (lag 12). E, por fim, o índice PDO aparece apenas como preditor sig-nificativo nos meses de setembro e dezembro, para o mês de setembro em defasagem mais longa (lag 8), enquanto que para o mês de dezembro com um mês de defasagem.

Na seleção de preditores de precipitação, as regiões pluviométricas homogêneas 8 (sul da bacia) e 6 (faixa cen-tral da bacia) se destacam, sendo que a região 8 foi se-lecionada pelo método para todos os meses do ano em diferentes defasagens e a região 6 só não foi selecionada para os meses de setembro e outubro, sendo esta última a região que aparece mais vezes como preditora na defa-sagem de um mês, indicando que a contribuição da pre-cipitação nesta região demora no máximo um mês para contribuir para a vazão em Itaipu.

Nota-se que a região 7 (sul da bacia) influencia no segundo semestre do ano, principalmente no período de inverno, sugerindo que a vazão nesta época do ano tem contribuição maior da precipitação derivada da faixa sul da bacia do Paraná, região com um padrão de chuva mais regu-lar ao longo do ano, dado que esse é o período seco na parte alta da bacia. Em contrapartida, a região 1 (nordeste da bacia) influencia mais no primeiro semestre, em especial nos meses de abril e maio, e a região 2 (norte da bacia) influencia no outono, com defasagens mais longas, e na primavera, com defasagens mais curtas.

As regiões 3, 4 e 5 (oeste e leste da bacia) são as regiões que foram selecionadas pelo método com menor frequência, destacando a região 3, nos meses de abril e setembro, a região 4, em maio, junho e dezembro e a região 5 em março e junho.

Para o caso das vazões em pontos a montante, obser-vou-se que, no geral, para as defasagens mais longas não foram selecionados preditores de vazão pelo método step-wise, com exceção dos meses abril, outubro, novembro e

contri-buição do escoamento de base desse posto para a vazão de Itaipu, enquanto que nos meses de outubro, novembro e dezembro, os postos mais próximos de Itaipu foram se-lecionados pelo método.

Para quantificar a contribuição de cada grupo de pre-ditores selecionados foram calibrados e validados os mo-delos desenvolvidos para as doze defasagens em todos os meses, e para os seguintes grupos de preditores: somente os índices climáticos; somente precipitação em regiões ho-mogêneas; somente vazões em ponto a montante e vazão em Itaipu defasada; e o conjunto de todos os preditores anteriores. Foram considerados os preditores selecionados para cada defasagem, ou seja, os modelos foram cons-truídos conforme os preditores selecionados pelo método

stepwise para cada defasagem e para cada mês

corres-pondente. No caso em que nenhum preditor foi apontado como significativo pelo método, considerou-se apenas a própria vazão de Itaipu defasada.

Os resultados da calibração, através do coeficiente de determinação (R2_{), para o modelo considerando todos os}

grupos de preditores (índices, precipitação e vazão) para cada defasagem (1-12 meses) de janeiro a dezembro no período de 1980 a 2000, e na validação para o período de 2001 a 2010, através dos parâmetros VIES, REQM, EA e ER estão apresentados na Fig. 3.

A partir dos valores apresentados de R2_(coeficiente

de determinação) pode-se inferir sobre a calibração dos modelos, considerando cada grupo de preditores separa-damente (os índices, a precipitação e a vazão), sendo ve-rificado que para os meses janeiro, fevereiro e março os índices climáticos não contribuem para a previsão de vazão nas primeiras defasagens (lag 1 a 3), a contribuição dos índices será importante nas defasagens mais longas lag 6, lag 5 e lag 4 para os meses de janeiro, fevereiro e março respectivamente. Para os meses de abril e maio a con-tribuição dos índices climáticos é evidenciada desde as primeiras defasagens, para o mês de maio o R2 _{atinge o}

valor de 0,76 para o lag 3. No mês de junho e julho os valores de R2_{para os índices climáticos continuam altos,}

mas sua contribuição é menor para as defasagens mais curtas. Nos meses seguintes, a contribuição dos índices é novamente comprovada nas defasagens mais longas, sendo que nas defasagens acima de oito meses, apenas os índices climáticos conseguem obter preditores significativos, sen-do os únicos preditores de vazão de Itaipu nas defasagens mais longas. Em contrapartida, quando são considerados todos os grupos de preditores (Fig. 3) observa-se que os valores de R2_{no geral são maiores para defasagens mais}

curtas, porém alguns meses apresentam boa calibração em todas as defasagens analisadas, destaque para os meses de outubro e novembro.

Conforme a validação no período de 2001-2010, con-siderando todos os grupos de preditores, os modelos ten-dem a superestimar os valores observados, evidenciados pelos altos valores positivos de viés, com exceção de alguns

casos, por exemplo no mês de dezembro, na maioria das defasagens os modelos subestimam os valores observados (valores negativos de viés). Além disso, os meses de feve-reiro e outubro apresentam menores erros sistemáticos. Nota-se também que alguns meses que apresentaram altos valores R2 _{(março a junho) possuem o viés mais alto,}

associados a superestimativa.

Avaliando os resultados para de REQM, todos os meses apresentam valores similares, em torno de 1.000 a 1.500 m3_{/s, com execeção do mês de janeiro que apreseta}

valor discrepante de 2.000 m3_{/s no lag 6 e para o mês de}

agosto qua apresenta valores entre 400 a 600 m3_{/s. Para o}

EA o mês de janeiro também apresenta os maiores valores em todas as defasagens analisadas, sendo o mês de maior incerteza da previsão. Enquanto que, de acordo com o ER os meses de setembro e outubro apresentam os valores mais elevados na maioria das defasagens.

Para alguns meses e defasagens específicas observa-se que o modelo apreobserva-senta uma boa calibração, expressos pelo altos valores de R2_{, porém em sua validação}

apresen-tam erros altos, evidenciando a aleatoriedade do processo, ou seja, o modelo escolhido captura apenas as relações dos processo no período de ajuste. Deste modo, nesses casos é necessário avaliar outros modelos empíricos que possam capturar as relações não lineares, como é o caso de modelos de inteligencia artificial (Bravo, 2010; Oliveiraet al., 2015;

Araújoet al., 2015).

Os gráficos apresentados na Fig. 4 comparam as sé-ries estimadas pelos modelos no período de validação com a série observada, para as doze defasagens analisadas, in-cluindo os respectivos coeficientes de correlação (CC) e o coeficiente de Nash-Sutcliffe (CN). A partir desta figura observa-se que nas primeiras defasagens, os modelos con-seguem captar as variabilidades e os extremos, com des-taque para o lag 1. Nas defasagens de 4 a 6 meses as variabilidades são capturadas, no entanto os extremos são muitas vezes superestimados ou subestimados, o que é observado com maior frequencia nas defasagens seguintes de 7 a 12 meses. Em contrapartida, alguns picos são es-timados nas defasagens mais longas, ao se considerar ape-nas preditores de índices climáticos, demostrando a im-portância de serem consideradas as influências remotas do clima nas estimativas de vazão, principalmente para pre-visões de mais longo prazo. Observa-se também que o coeficiente de Nash-Stucliffe apresenta valores entre 0,75 e 0,36 (desemprenho aceitável, de acordo com Collischonn, 2010) em quase todas as defasagens, com exceção do lag 6, que não apresenta um desempenho aceitável (CN = 0,34). Na análise do coeficiente de correlação os resultados tam-bém são aceitáveis, acima de 0,70 para quase todas as defasagens, destacando mais uma vez o lag 6 que não apresenta resultados satisfatórios, com coeficiente de cor-relação igual a 0,67.

defasagens mais longas, sendo apenas atingida uma boa estimativa com um mês de antecedência. Segundo o Bo-letim de Informações Climáticas (INFOCLIMA) elabo-radas pelo grupo de Clima do CPETC/INPE, as caracterís-ticas atmosféricas observadas no início do ano mostraram um verão atípico, com alagamentos, enxurradas e

des-lizamentos, foram observados principalmente sobre as re-giões Sudeste e Centro-Oeste. Nestas áreas, a ocorrência de chuvas intensas foi decorrente da atuação de sistemas fron-tais semi-estacionários, contribuindo para a configuração de um episódio de ZCAS durante quase todo o mês de ja-neiro. Os totais observados estiveram muito acima da

mé-Figura 3- Resultados da validação do modelo para previsão de vazão mensal considerando todos os grupos de preditores (índice, precipitação e vazão) defasados em doze meses, onde: a) coeficiente de determinação (R2_{); b) erro viés (VIES); c) raiz do erro quadrático médio (REQM); d) erro absoluto}

dia histórica (aproximadamente 80%), resultando em um caso atípico, estando entre os cinco janeiros mais chuvosos dos últimos 46 anos. Este episódio resultou em um grande escoamento superficial nos afluentes do Rio Paraná, con-duzindo a um aumento expressivo na vazão em Itaipu.

Para o ano de 2010 observa-se outra anomalia po-sitiva não capturada pelos modelos, também nas defasa-gens mais longas, sendo apenas atingida uma boa esti-mativa com um mês de antecedência, situação similar encontrada ao ano de 2007. Segundo o INFOCLIMA o excesso de chuva no centro-sul do Brasil esteve associado principalmente à atuação de vórtices ciclônicos em altos níveis sobre a região Nordeste do Brasil e ao escoamento da corrente de jato em baixos níveis trazendo umidade da região tropical para as Regiões Sul e Sudeste durante os meses de janeiro e início de fevereiro.

4. Conclusões

Este trabalho permitiu a identificação de diferentes preditores de vazão em Itaipu, em meses e defasagens específicas. Em relação aos índices climáticos, destaca-ram-se entre janeiro e março apenas os índices AMO e AAO, em abril e julho, os índices NIÑO 3.4 e TSA, em maio, junho, agosto e outubro, NIÑO 3.4 e SOI, em se-tembro o NAO, em novembro, TSA e AMM, e por fim em dezembro, somente o índice TSA. Em suma, os resultados sugerem que a vazão de Itaipu é influenciada principal-mente pelo ENOS (índices NIÑO 3.4 e SOI) ao longo do ano, exceto no verão (dezembro, janeiro e fevereiro) e pelas anomalias de TSM no Atlântico tropical sul (índice TSA), no final do outono e da primavera e no início do inverno e do verão.

Para os preditores de precipitação as regiões que mais foram apontadas pela métrica aplicada estão localizadas ao sul, norte e no centro da Bacia do Paraná. Para o caso das vazões, observou-se que no geral, a vazão da própria Itaipu defasada é indicada como preditora com maior frequência ao longo dos meses, principalmente nas defasagens mais curtas.

De um modo geral, os modelos mensais apresentaram um maior desempenho nas defasagens mais curtas, quando considerados os preditores de vazão e precipitação, exceto para os meses de janeiro, julho e agosto, em que a pre-cipitação tem maior contribuição. Nestes casos são bem capturadas as variabilidades e alguns extremos. Em con-trapartida, para o mês de maio, todos os modelos possuem um baixo desempenho, não sendo capaz de estimar as variabilidades e os extremos. Para todos os meses, ve-rificou-se que o melhor desempenho para as defasagens mais longas ocorre para o modelo considerando somente os índices climáticos, mas na maioria dos casos os extremos não são capturados, exceto nos meses de abril, junho e julho.

Os resultados deste estudo demonstram a importância de serem consideradas as influências remotas do clima nas

estimativas de vazão, com abordagem mensal, pois os im-pactos dos padrões climáticos são diferenciados ao longo do ano, e apresentam influências significativas com de-fasagens distintas, necessitando serem explorados de forma específica. Também sugere que a consideração de padrões de variabilidades climáticas de mais alta frequência pode vir a contribuir para um aumento do desempenho do mo-delo, como por exemplo, as variabilidades intrasazonais, pois alguns casos extremos não detectados foram decor-rentes de fenômenos nesta escala de tempo. Neste sentido, os modelos empíricos são bastante úteis, pois podem fa-cilmente ser ajustados a diferentes localidades, períodos e conjuntos de preditores.

Agradecimentos

Os autores agradecem à UFABC pelo apoio técnico e financeiro, à CAPES pela bolsa de mestrado do primeiro autor e ao CNPq, pelo apoio ao Projeto Universal (nº 471700/2013-4).

Referências

ALEXANDRE, A.M.B. Previsão de vazões mensais para o

sistema interligado nacional utilizando informações cli-máticas.2012. 293 f. Tese (Doutorado em Engenharia Ci-vil) – Departamento de Engenharia Hidráulica e Ambiental, Universidade Federal do Ceará, Fortaleza, 2012.

ANA. Agência Nacional de Águas (Brasil). Relatório de Con-juntura dos Recursos Hídricos do Brasil. Brasília, 2009. 204 p.

ARAÚJO, C.B.C.; DANTAS NETO, S.A.; SOUZA FILHO, F. de A. Previsão de vazões para o açude Orós/CE a partir de da-dos hidrometeorológicos utilizando perceptrons. Revista Brasileira de Meteorologia, v. 30, n. 1, p. 37-46, 2005. BERRI, G.J.; GHIETTO, M.A.; GARCIA, N.O. The influence of

ENSO in the flows of the upper Paraná River of South

America over the past 100 years.Journal of

Hydrome-teorology, v. 3, n. 1,p. 57-65, 2002.

BOMBARDI, R.J.; CARVALHO, L.M.V.; JONES, C.; REBOI-TA, M.S. Precipitation over eastern South America and the South Atlantic sea surface temperature during neutral ENSO periods.Climate Dynamics, v. 42, n. 6, p. 1553-1568, 2014.

BRAVO, J.M.Subsídios à operação de reservatórios baseada

na previsão de variáveis hidrológica.2010. 205 f. Tese (Doutorado em Engenharia de Recursos Hídricos e Sanea-mento Ambiental) – Instituto de Pesquisas Hidráulicas, Uni-versidade Federal do Rio Grande do Sul, Porto Alegre, 2010. BRAVO, J.M.; ALLASIA, D.; PAZ, A.R.; COLLISCHONN, W.; TUCCI, C.E.M. Coupled hydrologic-hydraulic modeling of

the upper Paraguay River Basin. Journal of Hydrologic

Engineering, v. 17, n. 5, p. 635-646, 2012.

CÂMARA, R.K.C.; ROCHA, E.J.P.; PROTÁZIO, J.M.B.; QUEIROZ, J.C.; RIBEIRO, W.M.N.et al. Hydrological sto-chastic modeling applied to the Tocantins River to the city of Maraba (PA).Revista Brasileira de Meteorologia, v. 31, n. 1, p. 11-23, 2016.

Meteo-rologia, 12., 2002, Foz do Iguaçu.Anais...Rio de Janeiro: SBMET, 2002.

CARDOSO, A.O.Relações entre a TSM nos oceanos Atlântico

e Pacífico e as condições climáticas nas regiões Sul e Sudeste do Brasil. 2005. 192 f. Tese (Doutorado de Me-teorologia) – Instituto de Astronomia Geofísica e Ciências Atmosféricas, Universidade São Paulo, São Paulo, 2005. CARDOSO, A.O.; CATALDI,M.Relações de índices climáticos

e vazão de rios no Brasil.In:Congresso Brasileiro de Me-teorologia, 17., 2012, Gramado. Anais... Rio de Janeiro: SBMET, 2012.

CATALDI, M.; MACHADO, C.O.; GUILHON, L.G.F.; CHOU, S.C.; GOMES, J.L. et al. Análise das previsões de pre-cipitação obtidas com a utilização do Modelo ETA como Insumo para modelos de previsão semanal de vazão natural.

Revista Brasileira de Recursos Hídricos, v. 12, n. 3, p. 5-12, 2007.

CHAVES, R. R. Conexões entre a TSM do Atlântico Sul e a Convecção de verão sobre a América do Sul – Análise observacional.Revista Brasileira de Geofísica, v. 29, n. 1, p. 5-10, 2011.

CHIESSI, C.M.; MULITZA, S.; PäTZOLD, J.; WEFER G.; MA-RENGO, J.A. Possible impact of the Atlantic Multidecadal Oscillation on the South American summer monsoon. Geo-physical Research Letters, v. 36, n. 21, p. 1-5, 2009. COLLISCHONN, W.; TUCCI, C.E.M. Simulação hidrológica de

grandes bacias.Revista Brasileira de Recursos Hídricos, v. 6, n. 1, p. 95-118, 2001.

COLLISCHONN, W.; TUCCI, C.E.M.; CLARKE, R.T.; SILVA DIAS, P.L.; OLIVEIRA, G.S. Previsão sazonal de vazão na Bacia do Rio Uruguai 2: Previsão climática-hidrológica.

Revista Brasileira de Recursos Hídricos, v. 10, n. 4, p. 61-72, 2005.

COLLISCHONN, W.;Simulação hidrológica de grandes

ba-cias. 2010. 194 f. Tese (Doutorado em Engenharia de Re-cursos Hídricos e Saneamento Ambiental) – Instituto de Pesquisas Hidráulicas, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2010.

D’ALMEIDA, C.; VÖRÖSMARTY, C.J.; HURTT, G.C.; MA-RENGO, J.A.; DINGMAN, S.L. et al. The effects of defor-estation on the hydrological cycle in Amazonia: a review on scale and resolution.International Journal of Climatol-ogy, v. 27, n. 5, p. 633-647, 2007.

DRAPER, N.R.; SMITH, H.Applied regression analysis. 3 ed. Nova Jersey: Wiley, 1998. 706p.

DETTINGER, M.D.; CAYAN, D.R.; MCCABE, G.J.; MAREN-GO, J.A. Multiscale streamflow variability associated with El Nino/Southern Oscillation. In: DIAZ, H. F.; MAR-KGRAF, V. (Org.).El Nino and the Southern Oscillation -Multiscale Variability, Global and Regional Impacts, Cambridge: University Press, 2000. P. 114-147.

GRIMM, A.M.; LEITE, A.E.; SAHAIR, A.K. Previsão de preci-pitação sazonal para a Bacia do Rio Paranaíba utilizando um modelo linear. In: Congresso Brasileiro de Meteorologia, 13., 2004, Fortaleza.Anais...Rio de Janeiro: SBMET, 2004. GRIMM, A.M.; TEDESCHI, R.G. ENSO and extreme rainfall events in South America.Journal of Climate, v. 22, n. 7, p. 1589-1609, 2009.

GUILHON, L.G.F.; ROCHA, V.F.; MOREIRA. J.C. Compa-ração de métodos de previsão de vazões naturais afluentes a

aproveitamentos hidroelétricos.Revista Brasileira de Re-cursos Hídricos, v. 12, n. 3, p. 13-20, 2007.

ITAIPU BINACIONAL (ITAIPU). Disponível em:

http://www.itaipu.gov.br/. Acesso: 10/05/2018.

KAYANO, M.T.; ANDREOLI, R.V. Variabilidade decenal a multidecenal. In: Cavalcanti, I.F.A.; FERREIRA, N.J.;

SIL-VA, M.G.A.J.; SILVA DIAS, M.A.F.Tempo e Clima no

Brasil. 1 ed. São Paulo: Oficina de Textos, 2009. p. 375-383.

KAYANO, M.T.; CAPISTRANO, V.B. How the Atlantic multi-decadal oscillation (AMO) modifies the ENSO influence on the South American rainfall.International Journal of Cli-matology, v. 34, n. 1, p. 162-178, 2014.

KRAUSKOPF NETO, R.; GUETTER, A.K.; MINE, M.R.M. Modelo hidrológico com atualização de estado Parte II: Estimador de Estado Dinâmico-Estocástico. Revista Bra-sileira de Recursos Hídricos, v. 12, n. 3, p. 105-115, 2007. MALFATTI, M.G.L.; LINGIARDI, A.M.; CARDOSO, A.O.

Modelo Empírico para previsão de vazão de rios – Caso Itaipu. In: Congresso Brasileiro de Meteorologia, 18., 2014, Recife,AnaisRio de Janeiro: SBMET, 2014.

MALFATTI, M.G.L.Estudo e desenvolvimento de modelagem

para previsão de vazão de rios na Bacia do Paraná.2016. 155 f. Dissertação (Mestrado em Ciência e Tecnologia Am-biental) – Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas, Universidade Federal do ABC, Santo André, 2016.

OLIVA, F.G.Relações entre o índice de oscilação antártica e as vazões na bacia hidrográfica do rio Uruguai, região Sul do Brasil.2011. 68 f. Dissertação (Mestrado em Ciências) – Instituto de Geociências, Universidade Federal do Rio de Ja-neiro, Rio de JaJa-neiro, 2011.

OLIVEIRA, G.G.; PEDROLLO, O.C.; CASTRO, N.M. dos R. As incertezas associadas às condições climáticas obtidas pelo modelo ETA CPETC/HADCM3: Avaliação comparativa entre os dados simulados e observados de precipitação, evaporação e vazão na bacia hidrográfica do Rio Ijuí, Brasil.

Revista Brasileira de Meteorologia, São Paulo, v. 30, n. 1, p. 101-121, 2015.

PICCILLI, D.G.A.Avaliação da precipitação hidroclimática

no Alto Paraguai.2007. 342 f. Tese (Doutorado em Re-curso Hídrico e Saneamento Ambiental) – Instituto de Pes-quisa Hidráulicas, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2007.

PINTO, E.J.A.; NAGHETTINI, M.; ABREU, M.L., Utilização de indicadores climáticos na previsão probabilística de pre-cipitações e vazões na Bacia do Alto São Francisco.Revista Brasileira de Recursos Hídricos, v. 11, n. 4, p. 121-135, 2006.

RATTON, P.; GUETTER, A.K. Previsão de vazões para o Rio Paraguai em Cáceres com atualização de estado. Parte II: Filtro de Kalman. In: Simpósio Brasileiro de Recursos Hí-dricos, 21., 2015, Brasília, Anais...Porto Alegre: ABRH, 2015.

ROBERTSON, A.W.; MECHOSO, C.R. Interannual and decadal cycles in river flows of southeastern South America. Jour-nal of Climate, v. 11, n. 10, p. 2570-2581, 1998.

STIVARI, S.M.S.; OLIVEIRA, A.P.; KARAM, H.A.; SOARES, J. Patters of local circulation in the Itaipu lake area: Numeri-cal simulations of lake breeze.Journal of Applied Meteo-rology, n. 42, n. 1, p. 37-50, 2003.

SOUZA FILHO, F.A.; LALL, U. Modelo de previsão de vazões sazonais e interanuais.Revista Brasileira de Recursos Hí-dricos, v. 9, n. 2, p. 61-74, 2004.

TUCCI, C.E.M. Modelos Hidrológicos. 2 ed. Porto Alegre:

UFRGS/ABRH, 2005, 680 p.

WAINER, I.; VENEGAS, S.A. South Atlantic multidecadal vari-ability in the climate system model.Journal of Climate, v. 15, n. 12, p. 1408-1420, 2002.

WILKS, D.S.Statistical Methods in the Atmospheric Sciences.

2. ed. Philadelphia: Elsevier Academic Press Publications, 2006.